UBI产品探索实践

UBI是将车联网与大数据技术相结合的新型机动车保障模式。目前，国内UBI相关产品尚在起步阶段，行业内各大保险公司因车联网数据不足，以及政府的行业监管对于测算数据科学性和结果有效性等因素的担忧，推行进展缓慢。部分头部领先车企以车联网数据为基础与保险公司合作共建，在UBI保险正式推出前率先开展了UBI产品的探索试点。建立了覆盖车辆全时全域的数字化、智能化保障系统，并取得了积极的成效：创设了基于驾驶行为的风险模型及动态定价方法，走通了基于里程定价的产品运营模式，形成了从数据授权到服务保障的一体化解决方案。     

商业车险改革与交通安全

近日,中国保险监督管理委员会印发了《深化商业车险条款费率管理制度改革试点工作方案》,部署6月1日正式实施商业车险改革试点,改革将逐步放开商业车险费率"行政化"管制,车辆安全性能、驾驶人驾驶习惯等将纳入风险定价体系。分析认为,改革后,通过对事故高发车型制定更高费率促使车辆制造企业提高车辆安全性能,通过对良好驾驶习惯的驾驶人降低费率引导公众安全文明驾驶,商业车险将更好的发挥"奖优罚劣"的经济杠杆作用,也将对全社会道路交通安全水平产生深远影响。     

汽车保险与车联网跨界发展分析

本文介绍了UBI保险模式的发展现状以及远程诊断技术在UBI中的应用。通过天行健UBI模型的分析,介绍该模式的实践和推广中存在的问题。UBI作为一种公平的车联网保险服务新模式,特别是伴随OBD、移动互联网和大数据分析等技术的日臻成熟,其未来发展空间巨大。     

加入中国保险汽车安全指数指标的车险索赔次数研究

在车险定价模型已改进、汽车碰撞测试结果已发布的背景下,研究不同模型以及纳入模型中解释变量的组合方式对索赔次数预测效果的影响。由于广义线性模型（Generalized Linear Models,GLM）存在局限性,仅包括线性预测部份,对连续型变量解释性较差,所以采用了广义线性可加模型（Generalized Linear Additive Models ,GAM）对车险数据进行拟合,同时研究中国保险汽车安全指数 （China Insurance Automotive Safety Index,C-IASI） 指标的3种不同风险因子组合方式对模型效果的影响。结果表明,广义线性可加模型对车险索赔次数的拟合效果优于广义线性模型;维修经济性得分与耐撞性得分作为自变量时的拟合效果优于其他组合。     

基于OBD数据的危险驾驶行为与建成环境空间关联研究

随着宽带移动通信、物联网等新一代信息技术在交通领域中的应用,面向交通安全的移动互联环境下驾驶行为研究成为热点课题.为弥补现有研究中对车联网数据分析较少或对危险驾驶行为空间分析不足等缺陷,基于车辆自诊断系统(OBD)数据对危险驾驶行为进行了空间识别与提取,并基于交通小区(TAZ)分析了危险驾驶行为的空间分布差异.研究揭示了危险驾驶行为空间分布差异的内在机理,利用百度兴趣点(POI)数据度量了城市建成环境因素,通过最小二乘法(OLS)回归模型识别出建成环境对危险驾驶行为显著影响的变量,在此基础上采用基于地理加权回归(GWR)模型得出了不同建成环境变量对危险驾驶行为的空间影响系数.模型显示,采用GWR模型拟合结果优于OLS一倍,并且可以有效地揭示出空间建成环境对危险驾驶行为影响的时空特征,为交通管理与规划部门制定措施或政策提供了决策支持.      

基于多类型变量空间的驾驶行为基元提取

从驾驶数据中提取驾驶行为基元是实现驾驶行为高效准确分析的重要前提。为了更好地理解驾驶行为,使驾驶行为基元能够体现不同驾驶人的驾驶行为差异,考虑驾驶行为产生时所受驾驶人的主观约束,提出基于多类型变量空间的驾驶行为基元提取方法。使用驾驶行为原始变量反映车辆运行状态和驾驶操作,将所选择的原始变量定义为基础变量集;使用基础变量构造能够反映驾驶人对车辆运行状态主观期望的变量,并将其定义为构造变量集。利用基础变量集和构造变量集生成多类型变量空间,使用贝叶斯凝聚型序列分割算法分割数据以提取驾驶行为基元。针对多类型变量空间自调节问题,提出基于分割质量优选滑窗尺寸的方法,使多类型变量空间能够自适应不同数据集的数值特性,确保基元提取的准确度。对所得基元进行特征构造和提取,利用高斯混合聚类算法对直行和弯道路段的行为基元分别进行聚类,并通过分析各类基元的统计特征得到基元的语义描述。最后,通过实例分析验证基元提取和语义解释的准确性,以及多类型变量空间的优越性。研究结果表明：所提取的驾驶行为基元具有多角度语义,不仅能够反映车辆运行状态和驾驶操作,而且能够体现驾驶人对车辆操纵决策的主观期望,有利于从因果角度更全面地...     

面向前车的驾驶行为感知与意图识别算法研究

感知周围车辆的驾驶行为并识别其意图将成为新一代高级驾驶辅助系统的重要组成部分。针对现有方法只考虑单一驾驶行为且可扩展性和可伸缩性差,提出一种基于稀疏表示理论的驾驶行为感知字典模型(Driving Behavior Perception Dictionary Model, DBPDM)。将车辆行驶状态视为时间序列,设计基于自回归积分移动平均(Autoregressive Integrated Moving Average,ARIMA)结合在线梯度下降(Online Gradient Descent, OGD)优化器的在线预测模型,提出基于驾驶行为预测的意图识别构架(Intention Recognition Framework, IRF)。首先,采用图Lasso方法估计典型驾驶行为的稀疏逆协方差矩阵构建驾驶行为字典库,并采用Logdet散度方法计算各逆协方差矩阵的差异获得行为感知字典模型。然后,基于在线预测模型对目标车辆的行驶轨迹和运动状态进行预测,结合主车车辆的行驶状态作为稀疏表示的观测信号,以获取预测时域内的目标车辆意图。最后,采用NGSIM (Next Generation SIMulation)真实驾驶数据对模型进行开发和测试。研究结果表明:所提出的行为感知模型能对6种典型驾驶行为构建行为字典,在分类准确率上与现有方法相比有明显提升,对换道和转向行为样本的平均识别准确率分别达到99.1%和92.9%;该模型能够在相对早期阶段准确地识别出车辆行为;在线预测算法能较好预测出目标车辆的行驶轨迹和运动状态,从而间接地反映出其在预测时域内的驾驶意图;IRF可在换道和转向行为开始前的1.5 s较为准确地识别出目标车辆的意图,平均识别准确率超过80%。     

基于驾驶模拟实验的层级式驾驶行为安全模型研究综述

针对驾驶行为的研究,从理论层面总结了国内外驾驶行为模型的演变发展过程,进而从应用层面上介绍了各种干预因素(分车载设备因素和非车载设备因素2类)对驾驶行为的影响.由于目前利用驾驶模拟器研究干预因素对驾驶行为的影响存在行为分析单一化、缺乏系统性的缺陷,据此提出了基于驾驶模拟实验的层级式驾驶行为安全模型,根据驾驶环境的复杂度及驾驶员涉及交通事故的可能性将驾驶行为按低、中、高3个风险层级分类,分别为基本车辆控制行为、在复杂交通环境中的动态决策行为以及在紧急交通状况中的避祸行为.利用该模型可以对干预因素影响下的驾驶行为安全进行系统全面的分析和评估.     

基于中国保险汽车安全指数 C-IASI的商业车险纯保费研究

车险作为我国第一财险险种，费率厘定不够精准一直是行业发展的痛点。在国外发达保险市场上，汽车碰撞安全等级及其修复性一直是重要费率厘定因子，并设有相关机构进行汽车碰撞测试。为了弥补我国在这方面的空白，中保研汽车技术研究院和中国汽车工程研究院在中国保险协会的指导下跨界合作开展低速碰撞测试，模拟事故常见的正碰和追尾，从耐撞性、维修经济性、维修比、维修费用、气囊是否直接起爆等 5个维度进行汽车耐撞性及经济维修性测评，构建中国保险汽车安全指数C-IASI。通过引入C-IASI的9项指标，并建立泊松-伽马模型和Tweedie模型，探究汽车自身耐撞性和维修经济性导致的不同赔付差异与机动车辆保费的适配性。实证结果表明，加入中国保险汽车安全指数C-IASI后，商业车险纯保费预测效果有明显提升，泊松-伽马模型和Tweedie模型预测效果接近。     

面向人机协同共驾的驾驶行为短时预测方法研究

通过实时感知交通场景下的汽车相对运动状态和行车安全信息,对驾驶人的操纵行为进行短时预测,进而为人机协同驾驶中主权切换的模式与方法提供依据.基于线性最优二次型方法建立了典型驾驶意图下的驾驶操纵序贯链优化目标函数,通过求解目标函数得到驾驶人操纵行为对车辆运动状态的改变量,并结合运动学CA模型提出了驾驶操纵行为短时预测模型.运用统计检验分析实车试验和所提出的模型得到的仿真试验驾驶输入之间的差异程度.实车实验的统计检验结果表明,不同驾驶工况下的驾驶输入差值的配对样本T检验的T统计量分别为1.96,0.1,1.36,均小于其T临界检验值.所提出的模型能较好的模拟实际驾驶操纵行为特征,并能对驾驶人操纵行为进行准确的短时预测.      

基于计划行为理论的防御性驾驶行为意向分析模型

结合我国当前实际驾驶环境,为解决防御性驾驶行为心理作用过程缺少定量描述方法的问题,在界定防御性驾驶行为内涵的基础上,提炼出防御性驾驶行为6因子:遵守规则不侥幸、保持安全空间、预估风险、专注不分心、引人注意和宽容礼让。借鉴国内外相关基于正向引导的驾驶行为量表,编制了防御性驾驶行为量表。基于计划行为理论构建了以行为态度、主观规范、知觉行为控制和过去防御性行为为预测变量,以行为意向为结果变量的分析模型。采用便利抽样和雪球抽样法,通过问卷星网上调查途径对部分非职业驾驶员进行了调查,调查内容包括过去防御性驾驶行为、TPB变量、个人基本信息,共获得有效问卷525份。对调查数据进行了可靠性分析和验证性因素分析。结果表明:数据具有良好的信度和效度。采用探索性因子分析法验证了因子构面的合理性,模型拟合结果显示:主观规范对执行防御性驾驶行为的意向影响不显著,这一结果与之前研究得出的主观规范对负面行为影响比较显著,对正面行为影响不显著相一致;知觉行为控制(0.51)对行为意向影响最大,行为态度(0.18)和过去驾驶行为(0.17)可以一定程度对行为意向进行解释。     

基于随机森林的雨天车辆跟驰风险行为研究

为降低雨天车辆跟驰行为风险,建立了一种基于随机森林的雨天车辆跟驰风险水平判定模型.通过引入降雨条件和安全距离,同时解决跟驰风险不易被量化分析及准确判定的问题,对传统驾驶风险判别模型进行修正,从而提取降雨条件下车辆运行跟驰风险特征,判定当前状态下的车辆跟驰风险.利用UC-winRoad驾驶模拟器仿真实验输出的降雨条件(包括降雨等级、路面水膜厚度、路面附着系数)和车辆运行数据(包括纵向车速、加速度、安全距离)进行验证,构建了引入风险熵的风险水平判定模型;通过随机森林算法对模型进行训练,并对风险特征进行提取,输出风险水平的判定结果.结果表明,该模型获取的风险水平误差小于1级,相比人工神经网络和支持向量机,平均相对误差分别降低了10.36%和4.54%.所提出模型可作为实用工具判定雨天车辆跟驰风险水平.      

单车场景下城市交叉口的智能驾驶车辆左转决策研究

在复杂动态的城市道路环境中,不同的交通参与者之间会不可避免地产生时间或空间上的冲突.针对该问题,对智能驾驶车辆在城市交叉口左转时潜在的冲突行为进行分析并建立决策模型.考虑了车辆运动模式并基于高斯过程回归模型(GPR)建立了直行车辆长时轨迹预测模型,结合轨迹预测提出了基于冲突消解的智能驾驶车辆决策流程(模型)和考虑多因素...     

数据驱动的驾驶员换道行为分析与预测综述

换道是一种具有极高风险的驾驶行为,许多交通事故发生在换道过程中,相邻车道车辆的突然换道行为会产生很大安全风险并影响车辆的乘坐舒适性,对周围车辆的换道行为进行预测对驾驶辅助系统和自动驾驶汽车都十分必要。随着V2X(Vehicle-to-Everything)技术、5G技术的快速发展,车辆可以从周围环境中获得更多信息,使换道行为预测成为可能。文中对换道意图的产生及换道过程进行分析,将换道过程分为换道意图产生阶段、换道准备阶段和执行阶段,总结将车辆上各种传感器获得的车辆速度、加速度、位置、方向盘转角等信息及通过V2X技术从交通环境中获得的信息用于换道行为预测的主要方法。目前许多研究采用机器学习方法,按照所使用的数据类型可分为基于驾驶员生理活动信息的方法和基于车辆CAN总线信息、运动学及其与周围车辆运动关系信息的方法,也有研究将二者相结合。数据驱动的换道行为预测方法也可用于车辆的主动换道决策和执行过程,强化学习(RL)算法可以从真实数据中学习决策和驾驶行为,而这些对于传统的基于规则的方法来说基本不可行,故其在研究车辆主动换道时被广泛使用。     

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分,对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式,提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先,考虑车辆类型对驾驶行为产生直接的影响,分析了大车和小车的车辆轨迹特征变量分布的差异性,包括速度、加速度、碰撞时间倒数、车头时距等,在标记危险驾驶行为的过程中考虑车辆类型的影响。其次,针对不同的车辆类型,利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估,将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间,评估驾驶人的整体驾驶状态是否危险,作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数,为了提高模型识别效率,将关键特征参数进行排序,从而确定最优判别指标;最后,利用轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别,并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明：在上述研究条件下,LGBM算法对危险驾驶行为的理论识别率最高可达93.62%,可以实现基于机器学习算法的危险驾驶行为的高精度自动识别,该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。     

应急车辆延误情况调查及应对措施研究

因交通拥堵而造成的应急车辆救援延误导致悲剧事件频发。为了解应急车辆救援延误的情况并研究应对措施,以普通机动车驾驶者为对象进行问卷调查,针对驾驶者对应急车辆的认识和对应急车道的占用情况,驾驶者在驾驶过程中对应急车辆是否避让,以及避让方法进行调查。然后利用SPSS数据统计软件筛选出对驾驶者驾驶行为影响权重较大的特征变量,并基于Logistic模型建立了驾驶者特征与占用应急车道和避让应急车辆行为的模型。在此基础上提出相应的应对方案,利用Vissim仿真软件对解决方案进行仿真。结果显示:对有一定驾驶年龄并有本科以上学历的青壮年的驾驶行为对应急车辆延误有较大影响,且正确的避让方法能明显地减少应急车辆的行程时间。      

山区高速公路驾驶人加减速行为建模

山区地形地质条件复杂,各类复杂的组合线形设计更为常见,例如直线与平曲线间组合或不同平曲线间组合。驾驶人在相邻组合路段行驶时会感知到线形的变化,引起驾驶行为的改变,最终车辆的纵向加速度也会随之改变。频繁的加减速行为会引起驾驶人不适,甚至形成安全隐患。目前针对相邻组合路段驾驶行为的研究中,关于加速度的研究主要基于路段特殊点进行计算。随着驾驶模拟技术的发展,高仿真驾驶模拟器为高速公路的设计评估提供了更好的数据及试验条件支撑。在高仿真驾驶模拟器中,基于湖南省永吉高速公路道路设计参数及周边地形环境参数,构建山区高速公路的三维虚拟模型,以山区高速公路中的相邻组合路段为研究对象,获取山区高速公路组合线形路段的车辆纵向加速度数据,提取加减速事件后,基于驾驶人的加减速行为,采用混合Logit模型,分别判定道路线形层和驾驶人层的影响,研究组合线形对驾驶人纵向加减速选择的具体影响变量以及变量的影响范围。研究结果表明：下游路段最大曲率、上游路段圆曲线段比例、下游路段变坡点数量、下游路段曲线数量、上游路段平均曲率和当前位置曲率等对驾驶人加减速行为有显著影响;通过对比混合Logit模型和多元Logit模型,指出驾驶人层面对模型结果的影响显著。研究结果提供了一种山区高速公路连续纵向加减速行为的建模方案,并可为研究驾驶人在复杂线形条件下的纵向加速度选择行为提供基础。     

信号交叉口行车风险场建立及车辆通行行为优化

随着汽车逐步向智能化、网联化发展,智能网联车辆逐步进入实际应用阶段。进行智能网联车辆的通行行为优化,对提升驾驶安全性和行车效率,避免事故发生和交通拥堵至关重要。车辆在通过交叉口时将受到很多环境及运动因素的影响,而现有的通行优化模型难以准确表达各类因素共同作用下的行驶环境。为此,基于风险场理论建立由环境场和运动场组成的信号交叉口行车风险场,表征信号交叉口中每点的实时行车风险程度,从而引导车辆驶向风险值低点,并提供下一步长的位移及速度指引,实现车辆的动态轨迹优化及速度控制。典型场景下的仿真结果表明：在优化模型的控制下单车的信号交叉口通行效率明显提升,其中直行方向车辆单车平均通行效率提升最高,平均提升6.35%,通过对交叉口面积内所有车辆进行通行行为优化,交叉口通行效率提升了9.3%,这表明所建模型可以准确表达交叉口行车环境并优化车辆通行行为。研究结论可应用于自动驾驶车辆的交叉口通行控制,并为网联环境下的行车环境表达和安全驾驶控制提供模型基础。     

自动驾驶障碍车辆行为预测技术研究

为了使自动驾驶车辆可以像有经验的驾驶员一样对周围车辆的行为做出准确的判断,通过车辆周围传感器来感知障碍车辆的相对位置信息,并结合自身车辆的高精定位信息,获得障碍车辆的精确位置,通过应用隐马尔可夫模型建立不同驾驶行为的预测模型,最终通过模型的预测来判断障碍车辆的可能驾驶意图,辅助自动驾驶车辆进行有效的驾驶决策,更好的规划安全高效的行驶路线。     

国内外车险定价因子对标研究

正随着车险费率市场化的全面铺开,对于车险公司而言,既是机遇,也是挑战,要求车险公司发挥各自的定价优势,为车主提供多样化、个性化的车险创新性产品。近年来,机动车辆保险的推广与发展造就了财产保险市场欣欣向荣的大好态势,在财险公司中占有重要的战略地位。然而,在繁荣的背后,车险市场也存在着产品同质化严重、车险定价不合理等诸多问题。随着车险费率市场化的全面铺开,市场将更多的定价权交给车险公司,要求车险公司发挥各自的